[发明专利]基于无数据知识蒸馏联邦学习的多中心自闭症识别方法和介质

说明书

本发明公开了一种基于无数据知识蒸馏联邦学习的多中心自闭症识别方法和介质，每个成像中心对应一个客户端，所有客户端共享一个服务器端；各客户端利用训练好的本地自闭症识别模型，根据本地成像中心图像对应的特征向量，输出自闭症识别结果；其中各客户端训练好的本地自闭症识别模型，其学习训练方法为：一方面利用本地图像数据库学习训练自闭症识别模型，另一方面利用无数据知识蒸馏的方式，通过共享服务器端从其他客户端学习自闭症分类知识，迁移到本地的自闭症识别模型，同时保留本地自闭症识别模型中利用本地图像数据库学习到的个性知识。本发明可以消除联邦蒸馏方法对真实数据集的依赖，并有效提升多中心自闭症分类的准确率。

技术领域

本发明属于智能医疗领域，具体涉及一种基于无数据知识蒸馏联邦学习的多中心自闭症识别方法和介质。

背景技术

自闭症是一种常见的、会伴随患者一生的复杂的神经系统发育障碍疾病。常发于儿童三岁之前，临床上自闭症主要表现为以下症状：社会交流或者社会沟通中出现障碍、言语或者非言语交流障碍、兴趣局限或者重复刻板行为、情绪喜怒无常和运动障碍等行为。自闭症给患者身心造成了巨大的伤害，并且其父母也会有很大的精神压力和经济压力。自闭症的早期识别是自闭症康复治疗中极为重要的一步。目前，自闭症由于没有明确的病因和病理机制，其诊断主要依靠医生对患者的行为习惯进行评估，这个过程非常费时且具有较大的主观性。

随着神经影像学的快速发展，很多研究利用机器学习方法对磁共振成像数据进行分析提出更高效客观的自闭症识别方法。然而，随着人们对隐私安全的关注，这些方法会受到极大限制。因此，提出一种可靠、客观并能保护数据基本隐私的自闭症识别方法是十分有必要的。

将机器学习方法与自闭症识别相结合，可以解决临床诊断中效率低下和不客观的问题，但传统机器学习方法必须集中收集大量数据完成模型训练，而这就很可能会涉及多个数据中心的数据集中收集。而医学数据在不同医院之间收集共享都存在隐私泄露问题，利用大规模高质量医学数据进行深度学习模型训练在越来越严格的用户隐私数据使用条款下将会变得难以实现。在这种数据隐私安全要求严格的情况下传统机器学习方法收到了极大的限制。也有研究提出将联邦学习与知识蒸馏进行结合方法，但这些方法往往需要一个蒸馏数据集，而蒸馏数据集通常难以获取。因此在无需集中收集多中心自闭症数据的情况下，提出一种性能较好的自闭症识别方法是本发明亟需研究的。

发明内容

本发明提供一种基于无数据知识蒸馏联邦学习的多中心自闭症识别方法和介质，解决知识蒸馏过程中的蒸馏数据集依赖的问题，加强对客户端数据的隐私保护，并且在无需集中收集数据的场景下取得各成像中心较好的分类性能。

为实现上述技术目的，本发明采用如下技术方案：

一种基于无数据知识蒸馏联邦学习的多中心自闭症识别方法，每个成像中心对应一个客户端，所有客户端共享一个服务器端；各客户端利用训练好的本地自闭症识别模型，根据本地成像中心图像对应的特征向量，输出自闭症识别结果；其中各客户端训练好的本地自闭症识别模型，其学习训练方法为：一方面利用本地图像数据库学习训练自闭症识别模型，另一方面利用无数据知识蒸馏的方式，通过共享服务器端从其他客户端学习自闭症分类知识，迁移到本地的自闭症识别模型，同时保留本地自闭症识别模型中利用本地图像数据库学习到的个性知识。

进一步地，成像中心的图像是指功能磁共振成像数据，输入至自闭症识别模型的特征向量，从功能磁共振成像数据中提取特征向量的方法为：

按照AAL图谱提取不同脑区r_i，r_j之间的皮尔逊相关系数PCC(r_i，r_j)；

然后对皮尔逊相关系数PCC进行费雪变换，得到加强相关系数z：

将所有不同脑区的加强相关系数构成的矩阵，提取其上三角阵串联成一个向量，即为提取得到的特征向量F_AAL。